Intelligenza artificiale nella clinica pediatrica
Applicazione dell'intelligenza artificiale nella clinica pediatrica
In Cina, il numero di servizi medici per bambini è ancora molto al di sotto della crescente domanda di assistenza sanitaria per bambini. Il fenomeno dei genitori di bambini che fanno la fila durante la notte per la registrazione non è più sorprendente. Ciò è dovuto all'aumento del numero di bambini e alla carenza di talenti pediatrici. Nel reparto di pediatria, il numero di pazienti aumenta di anno in anno, ma il pediatra è a corto di rifornimenti dall'inizio alla fine. Oltre al servizio ambulatoriale, i pediatri nei grandi ospedali svolgono anche operazioni, ricerca scientifica e altri compiti. Di conseguenza, molti medici devono rinunciare alle vacanze, il che li rende infelici e riduce il loro entusiasmo per il lavoro. I lunghi tempi di attesa hanno inoltre ridotto la soddisfazione dei pazienti, con conseguente inasprimento del conflitto tra pediatri e pazienti.
Questo progetto di ricerca mira a creare un sistema integrato uomo-computer e sviluppare un nuovo processo diagnostico integrato con l'intelligenza artificiale (AI). La funzione del sistema di intelligenza artificiale comprende principalmente 3 aspetti. (1) Il paziente utilizza un'applicazione per telefono cellulare integrata con AI che gli consente di sottoporsi a un controllo prima di consultare un medico. Il programma porrà al paziente una serie di domande. Quindi, in base alle risposte del paziente, AI raccomanderà una serie di esami, tutti esaminati preventivamente dal medico. Dopo che il paziente ha pagato, può andare direttamente a fare l'esame. Quindi, dopo potrebbe andare dal medico con il referto dell'esame che risparmia al paziente la fatica di fare la fila. (2) Allo stesso tempo, il sistema AI potrebbe anche automatizzare la storia medica. Il paziente completerebbe la raccolta della storia di auto-aiuto nel tempo libero. Il sistema AI raccoglie la storia clinica e la importa automaticamente nel computer del medico. Il compito principale dei medici è modificare la storia medica generata dall'IA. In una certa misura, alleggerisce il peso dei medici. (3) Durante la visita, il sistema AI acquisisce automaticamente le informazioni nella cartella clinica elettronica del paziente e genera la possibile diagnosi. Questo processo è di grande aiuto per i giovani medici e può servire da spunto.
In breve, questo studio è utile per ridurre efficacemente i tempi di attesa dei pazienti e aumentare notevolmente la loro esperienza medica. Pur riducendo l'intensità del lavoro dei medici, la procedura ambulatoriale del nostro ospedale è stata effettivamente ottimizzata per alleviare in una certa misura la carenza di pediatri.
Panoramica dello studio
Stato
Condizioni
Descrizione dettagliata
Basandosi su applicazioni mobili e software per computer, otterrebbe:
- Guida intelligente e corrispondente al dipartimento;
- Raccolta intelligente della storia medica e generazione di cartelle cliniche AI;
- Raccomanda automaticamente gli elementi dell'esame;
- Assistere nella diagnosi clinica e formulare suggerimenti diagnostici intelligenti.
Tipo di studio
Iscrizione (Effettivo)
Fase
- Non applicabile
Contatti e Sedi
Luoghi di studio
-
-
-
Shanghai, Cina
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Cina, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Descrizione
Criterio di inclusione:
I pazienti di età compresa tra 2 mesi e 18 anni andranno al centro medico per bambini di Shanghai per il trattamento.
Criteri di esclusione:
- Persone che non accettano di partecipare.
- Persone che non possono collaborare.
- Persone difficili da seguire.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: Ricerca sui servizi sanitari
- Assegnazione: Randomizzato
- Modello interventistico: Assegnazione parallela
- Mascheramento: Nessuno (etichetta aperta)
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
Sperimentale: Pazienti con procedura di servizio ambulatoriale di routine
Dopo la registrazione, il paziente attende in fila davanti alla porta dello studio del medico.
Il suo medico utilizza metodi tradizionali per inserire manualmente le cartelle cliniche e fare diagnosi in modo indipendente.
Quindi il paziente attende in fila per pagare il conto e fa la fila per l'esame.
Infine, il paziente avrebbe riportato il referto dell'esame al medico.
|
I pazienti seguono le procedure di registrazione, attesa, frequenza, attesa, esame, attesa, presenza.
|
|
Sperimentale: Pazienti con processo di servizio ambulatoriale assistito da AI
Dopo la registrazione, il paziente associa le sue informazioni all'applicazione del telefono cellulare tramite il numero dell'ambulatorio.
In primo luogo, il sistema di intelligenza artificiale pone al paziente una serie di domande.
Quindi esprimerebbe un giudizio basato sulla risposta del paziente.
Il sistema trasmette gli elementi dell'esame al computer del medico e, con l'approvazione del medico, rispedisce gli elementi al paziente.
Quindi, il paziente potrebbe andare direttamente a fare l'esame.
In attesa del suo turno, il paziente accede nuovamente al programma telefonico e il sistema di intelligenza artificiale raccoglie la sua storia medica.
Le informazioni vengono rispedite al medico.
Quando il paziente si reca nello studio del medico con il referto dell'esame, il computer del medico ha già la sua cartella clinica.
Il medico deve solo adattare la storia in base alla situazione reale.
Dopo aver scritto la storia medica, il sistema di intelligenza artificiale potrebbe fare automaticamente la diagnosi.
Il dottore utilizza i risultati dell'IA e il proprio giudizio per fare una diagnosi completa.
|
I pazienti seguono le procedure di registrazione, elementi di esame raccomandati dall'IA, raccolta anamnestica self-service, esame, attesa, frequenza assistita dall'IA.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Valutare l'efficienza dei due processi
Lasso di tempo: fino a 1 mese
|
Confronta il tempo medio di attesa per singolo paziente e il tempo medio di visita per singolo paziente.
|
fino a 1 mese
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Valutare il tasso di soddisfazione dei pazienti per i processi medici
Lasso di tempo: fino a 1 mese
|
Il questionario sulla soddisfazione verrebbe utilizzato per confrontare il tasso di soddisfazione tra i due processi.
|
fino a 1 mese
|
|
Misure economiche
Lasso di tempo: fino a 1 mese
|
Spendere soldi per pazienti ambulatoriali, spendere soldi per esami e altri.
|
fino a 1 mese
|
|
Efficienza lavorativa di dottori
Lasso di tempo: fino a 1 mese
|
Utilizzo di dati storici per confronti prima e dopo, per confrontare l'influenza della raccolta intelligente della storia medica sul tempo di visita di ciascun paziente.
|
fino a 1 mese
|
Collaboratori e investigatori
Pubblicazioni e link utili
Pubblicazioni generali
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Altri numeri di identificazione dello studio
- SCMCIRB-K2019020-2
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .